PySpark DataFrame 上的求和操作在类型正常时给出 TypeError

Posted 2023-02-23

【中文标题】PySpark DataFrame 上的求和操作在类型正常时给出 TypeError

【英文标题】：Sum operation on PySpark DataFrame giving TypeError when type is fine

【发布时间】：2016-08-11 16:05:07

【问题描述】：

我在 PySpark 中有这样的 DataFrame（这是 take(3) 的结果，dataframe 很大）：

sc = SparkContext()
df = [Row(owner=u'u1', a_d=0.1), Row(owner=u'u2', a_d=0.0), Row(owner=u'u1', a_d=0.3)]

同一个所有者会有更多的行。我需要做的是在分组后将每个所有者的字段 a_d 的值相加为

b = df.groupBy('owner').agg(sum('a_d').alias('a_d_sum'))

但这会引发错误

TypeError: +: 'int' 和 'str' 的操作数类型不受支持

但是，架构包含双精度值，而不是字符串（这来自 printSchema()）：

root
|-- owner: string (nullable = true)
|-- a_d: double (nullable = true)

那么这里发生了什么？

【问题讨论】：

你确定你的所有台词都正常吗？我的意思是，您是否检查了所有行的 a_d 值是否有效？

@mark91 a_d 字段来自另一个数据帧中两个双列的乘法，我认为它不可能是一个字符串。有没有办法检查这个？

您可以执行一些操作，例如获取底层 RDD 并使用字段 a_d.. 上的 RegExp 对其进行过滤。或者您可以将结果写入 Hive 表并在读取它的列中查找 NULL通过 Hive... 或者，如果您有显示此问题的少数数据的子集，您甚至可以检查它...

【参考方案1】：

您使用的不是正确的 sum 函数，而是 built-in 函数 sum（默认情况下）。

所以build-in 函数不起作用的原因是 那就是它需要一个可迭代的参数作为参数，这里传递的列的名称是一个字符串，built-in 函数不能应用于字符串。 Ref. Python Official Documentation.

您需要从pyspark.sql.functions 导入正确的函数：

from pyspark.sql import Row
from pyspark.sql.functions import sum as _sum

df = sqlContext.createDataFrame(
    [Row(owner=u'u1', a_d=0.1), Row(owner=u'u2', a_d=0.0), Row(owner=u'u1', a_d=0.3)]
)

df2 = df.groupBy('owner').agg(_sum('a_d').alias('a_d_sum'))
df2.show()

# +-----+-------+
# |owner|a_d_sum|
# +-----+-------+
# |   u1|    0.4|
# |   u2|    0.0|
# +-----+-------+

【讨论】：

您使用的是什么版本的 spark ？因为我无法重现错误，除非它是内置函数 sum。你是在 pyspark 中运行它还是提交你的脚本？

你能在你的 pyspark 中写下sum 并在此处更新输出吗？

对不起，我的错，我确信我已经进口了，但我没有。你能详细说明为什么内置失败，它在哪里看到一个 str ？